編者按：董飛，本科畢業(yè)于南開大學(xué),，碩士杜克大學(xué)畢業(yè),，現(xiàn)為Datatist首席架構(gòu)師&COO。先后在創(chuàng)業(yè)公司酷迅,、百度基礎(chǔ)架構(gòu)組和Amazon云計(jì)算部門,，LinkedIn擔(dān)任高級工程師,，Coursera從事數(shù)據(jù)工程師,，負(fù)責(zé)過垂直搜索,，百度云計(jì)算平臺研發(fā)和廣告系統(tǒng)的架構(gòu)。為多位企業(yè)客戶解決營銷難題,，具備豐富實(shí)踐經(jīng)驗(yàn),。

1、什么是精準(zhǔn)營銷,，預(yù)測營銷,？

說到精準(zhǔn)營銷，不得不先提個性化的用戶畫像,，我們針對每一類數(shù)據(jù)實(shí)體,，進(jìn)一步分解可落地的數(shù)據(jù)維度，刻畫他／她的每一個特征,，在聚集起來形成人群畫像,。比如下面就是兩種典型年輕消費(fèi)人群。

具體又包括：

用戶固定特征：性別,，年齡,，地域，教育水平,，生辰八字,，職業(yè)，星座 

用戶興趣特征：興趣愛好,，使用APP,，網(wǎng)站，瀏覽／收藏／評論內(nèi)容,，品牌偏好,，產(chǎn)品偏好 

用戶社會特征：生活習(xí)慣，婚戀,，社交/信息渠道偏好,，宗教信仰，家庭成分 

用戶消費(fèi)特征：收入狀況,，購買力水平,，商品種類，購買渠道喜好,，購買頻次 

用戶動態(tài)特征：當(dāng)下時間,，需求，正在前往的地方,，周邊的商戶,，周圍人群，新聞事件

當(dāng)我們采集和分析這些用戶畫像,，可以實(shí)現(xiàn)精準(zhǔn)營銷,。這是最直接和最有價(jià)值的應(yīng)用,，廣告主可以通過用戶標(biāo)簽來發(fā)布廣告給所要觸達(dá)的用戶，這里面又可以通過上圖提到的搜索廣告,，展示社交廣告,，移動廣告等多渠道的營銷策略，營銷分析,，營銷優(yōu)化以及后端CRM／供應(yīng)鏈系統(tǒng)打通的一站式營銷優(yōu)化,，全面提升ROI。

我們再說一說營銷時代的變遷,，傳統(tǒng)的企業(yè)大多還停留在“營銷1.0”時代,，以產(chǎn)品為中心，滿足傳統(tǒng)的消費(fèi)者需求,，而進(jìn)入“營銷2.0”,，以社會價(jià)值與品牌為使命，也不能完全精準(zhǔn)對接個性化需求,。進(jìn)入營銷3.0的數(shù)據(jù)時代,，我們要對每個消費(fèi)者進(jìn)行個性化匹配，一對一營銷,，甚至精確算清楚成交轉(zhuǎn)化率,，提高投資回報(bào)比。

大數(shù)據(jù)下的營銷顛覆經(jīng)典的營銷4P理論,，Product,，Price，Place,，Promotion,，取而代之的是新的4P，People,，Performance,，Process，Prediction,。在大數(shù)據(jù)時代,，線下地理的競爭邊界早就不存在，比的是早一步的先知能力,，利用大數(shù)據(jù),，從顧客真實(shí)交易數(shù)據(jù)中，計(jì)算下一次的購買時間,。 營銷3.0時代關(guān)鍵詞就是“預(yù)測”,。 

預(yù)測營銷能夠讓你專注于一小群客戶，而這群客戶卻能代表特定產(chǎn)品的大多數(shù)潛在買家。以上圖為例,，你可以將營銷活動的目標(biāo)受眾鎖定為 20 萬潛在客戶或現(xiàn)有客戶,，其中包括特定產(chǎn)品的大多數(shù)買家（4 萬人）。你還可以撥出部分預(yù)算用于吸引更小的客戶群（比如 20% 的客戶）,，而不是整個客戶群，進(jìn)而優(yōu)化你的支出,。

過去我們看數(shù)據(jù)可能是被動的方式,，但預(yù)測營銷強(qiáng)調(diào)是決策價(jià)值，比如購買時間,，你該看的不是她最后的購買日期,，而是下次購買的時間，看未來的存活概率,，最后生成客戶終身價(jià)值（CLV）,。預(yù)測營銷催生了一種新的數(shù)據(jù)驅(qū)動營銷方式，就是以客戶為中心,，核心在于幫助公司完成從以產(chǎn)品或渠道為中心到以客戶為中心的轉(zhuǎn)變,。

2、在現(xiàn)代商業(yè)中大數(shù)據(jù)的價(jià)值體現(xiàn)在哪,？

大數(shù)據(jù)最大的價(jià)值不是事后分析,，而是預(yù)測和推薦，我就拿電商舉例,，'精準(zhǔn)推薦'成為大數(shù)據(jù)改變零售業(yè)的核心功能,。譬如服裝網(wǎng)站Stitch fix例子，在個性化推薦機(jī)制方面,，大多數(shù)服裝訂購網(wǎng)站采用的都是用戶提交身形,、風(fēng)格數(shù)據(jù) 編輯人工推薦的模式，Stitch Fix不一樣的地方在于它還結(jié)合了機(jī)器算法推薦,。這些顧客提供的身材比例,，主觀數(shù)據(jù)，加上銷售記錄的交叉核對,，挖掘每個人專屬的服裝推薦模型,。 這種一對一營銷是最好的服務(wù)。

數(shù)據(jù)整合改變了企業(yè)的營銷方式,，現(xiàn)在經(jīng)驗(yàn)已經(jīng)不是累積在人的身上,，而是完全依賴消費(fèi)者的行為數(shù)據(jù)去做推薦。未來,，銷售人員不再只是銷售人員,，而能以專業(yè)的數(shù)據(jù)預(yù)測，搭配人性的親切互動推薦商品，升級成為顧問型銷售,。

3,、一個例子說明精準(zhǔn)營銷的好處

“顛覆營銷”書中提到一個例子，可以引述一下,，大家思考一個問題：如果你打算搜集200份有效問卷,，依照以往的經(jīng)驗(yàn)，你需要發(fā)多少份問卷,，才能達(dá)到這個目標(biāo),？預(yù)計(jì)用多少預(yù)算和時間來執(zhí)行？ 

以往的方法是這樣的：評估網(wǎng)絡(luò)問卷大約是5%的回收率,，想要保證收到200份的問卷,，就必須有20倍的發(fā)送量，也就是發(fā)出4000份問卷,，一個月內(nèi)如果可以回收,，就是不錯的表現(xiàn)。 

但現(xiàn)在不一樣了,，在執(zhí)行大數(shù)據(jù)分析的3小時內(nèi),，就可以輕松完成以下的目標(biāo)： 

• 精準(zhǔn)挑選出1%的VIP顧客

• 發(fā)送390份問卷，全部回收 

• 問卷寄出3小時內(nèi)回收35%的問卷 

• 5天內(nèi)就回收了超過目標(biāo)數(shù)86%的問卷數(shù) 

• 所需時間和預(yù)算都在以往的10%以下 

這是怎么做到在問卷發(fā)送后的3個小時就回收35%,？那是因?yàn)閿?shù)據(jù)做到了發(fā)送時間的'一對一定制化',，利用數(shù)據(jù)得出，A先生最可能在什么時間打開郵件就在那個時間點(diǎn)發(fā)送問卷,。舉例來說,，有基人在上班路上會打開郵件，但如果是開車族,，并沒有時間填寫答案,，而搭乘公共交通工具的人，上班路上的時間會玩手機(jī),，填寫答案的概率就高,，這些都是數(shù)據(jù)細(xì)分受眾的好處。  

4,、如何生成用戶的精準(zhǔn)畫像,？

大致分成三步。

采集和清理數(shù)據(jù)：用已知預(yù)測未知

首先得掌握繁雜的數(shù)據(jù)源,。包括用戶數(shù)據(jù),、各式活動數(shù)據(jù)、電子郵件訂閱數(shù),、線上或線下數(shù)據(jù)庫及客戶服務(wù)信息等,。這個是累積數(shù)據(jù)庫；這里面最基礎(chǔ)的就是如何收集網(wǎng)站／APP用戶行為數(shù)據(jù)。比如當(dāng)你登陸某網(wǎng)站,，其Cookie就一直駐留在瀏覽器中,，當(dāng)用戶觸及的動作，點(diǎn)擊的位置,，按鈕,，點(diǎn)贊，評論,，粉絲,，還有訪問的路徑，可以識別并記錄他／她的所有瀏覽行為,，然后持續(xù)分析瀏覽過的關(guān)鍵詞和頁面，分析出他的短期需求和長期興趣,。還可以通過分析朋友圈,，獲得非常清晰獲得對方的工作，愛好,，教育等方面,，這比個人填寫的表單，還要更全面和真實(shí),。

我們用已知的數(shù)據(jù)尋找線索,，不斷挖掘素材，不但可以鞏固老會員,，也可以分析出未知的顧客與需求,，進(jìn)一步開發(fā)市場。

用戶分群：分門別類貼標(biāo)簽 

描述分析是最基本的分析統(tǒng)計(jì)方法,，描述統(tǒng)計(jì)分為兩大部分：數(shù)據(jù)描述和指標(biāo)統(tǒng)計(jì),。數(shù)據(jù)描述：用來對數(shù)據(jù)進(jìn)行基本情況的刻畫，包括數(shù)據(jù)總數(shù),，范圍,，數(shù)據(jù)來源。指標(biāo)統(tǒng)計(jì)：把分布,，對比,，預(yù)測指標(biāo)進(jìn)行建模。這里常常是Data mining的一些數(shù)學(xué)模型,，像響應(yīng)率分析模型,，客戶傾向性模型，這類分群使用Lift圖,，用打分的方法告訴你哪一類客戶有較高的接觸和轉(zhuǎn)化的價(jià)值,。

在分析階段，數(shù)據(jù)會轉(zhuǎn)換為影響指數(shù)，進(jìn)而可以做'一對一'的精準(zhǔn)營銷,。舉個例子,，一個80后客戶喜歡在生鮮網(wǎng)站上早上10點(diǎn)下單買菜，晚上6點(diǎn)回家做飯,，周末喜歡去附近吃日本料理,，經(jīng)過搜集與轉(zhuǎn)換，就會產(chǎn)生一些標(biāo)簽,，包括'80后''生鮮''做飯''日本料理'等等,，貼在消費(fèi)者身上。 

制定策略：優(yōu)化再調(diào)整 

有了用戶畫像之后,，便能清楚了解需求,，在實(shí)際操作上，能深度經(jīng)營顧客關(guān)系,，甚至找到擴(kuò)散口碑的機(jī)會,。例如上面例子中，若有生鮮的打折券,，日本餐館最新推薦,，營銷人員就會把適合產(chǎn)品的相關(guān)信息，精準(zhǔn)推送這個消費(fèi)者的手機(jī)中,；針對不同產(chǎn)品發(fā)送推薦信息,，同時也不斷通過滿意度調(diào)查，跟蹤碼確認(rèn)等方式,，掌握顧客各方面的行為與偏好,。 

除了顧客分群之外，營銷人員也在不同時間階段觀察成長率和成功率,，前后期對照,，確認(rèn)整體經(jīng)營策略與方向是否正確；若效果不佳,，又該用什么策略應(yīng)對,。反復(fù)試錯并調(diào)整模型，做到循環(huán)優(yōu)化,。 

這個階段的目的是提煉價(jià)值,，再根據(jù)客戶需求精準(zhǔn)營銷，最后追蹤客戶反饋的信息,，完成閉環(huán)優(yōu)化,。 

我們從數(shù)據(jù)整合導(dǎo)入開始，聚合數(shù)據(jù),，在進(jìn)行數(shù)據(jù)的分析挖掘,。數(shù)據(jù)分析和挖掘還是有一些區(qū)別,。數(shù)據(jù)分析重點(diǎn)是觀察數(shù)據(jù)，單純的統(tǒng)計(jì),，看KPI的升降原因,。而數(shù)據(jù)挖掘從細(xì)微和模型角度去研究數(shù)據(jù)，從學(xué)習(xí)集,、訓(xùn)練集發(fā)現(xiàn)知識規(guī)則,，

除了一些比較商業(yè)化的軟件SAS，WEKA功能強(qiáng)大的數(shù)據(jù)分析挖掘軟件,，這邊還是更推薦使用R,，Python，因?yàn)镾AS,，SPSS本身比較昂貴,，也很難做頁面和服務(wù)級別的API，而Python和R有豐富的庫,，可以類似WEKA的模塊,，無縫交互其他API和程序，這里還需要熟悉數(shù)據(jù)庫,，Hadoop等,。

5,、預(yù)測性營銷的選擇方案有哪些呢,？這里的開發(fā)用到哪些技術(shù)和工具？ 

關(guān)于預(yù)測營銷的技術(shù)能力,，有幾種選擇方案：

1,、使用預(yù)測分析工作平臺，然后以某種方法將模型輸入活動管理工具,； 2,、以分析為動力的預(yù)測性活動外包給市場服務(wù)提供商；3,、評估并購買一個預(yù)測營銷的解決方案,，比如預(yù)測性營銷云和多渠道的活動管理工具。

這里我也總結(jié)一些常用的技術(shù)工具 ：

但無論哪條路,，都要確定三項(xiàng)基本能力,。 

1）連接不同來源的客戶數(shù)據(jù)，包括線上,，線下,，為預(yù)測分析準(zhǔn)備好數(shù)據(jù) ；

2）分析客戶數(shù)據(jù),，使用系統(tǒng)和定制預(yù)測模型,，做高級分析 ,；

3）在正確時間，正確客戶,，正確的場景出發(fā)正確行為,，可能做交叉銷售，跨不同營銷系統(tǒng),。 

6,、營銷領(lǐng)域有哪些預(yù)測模型？

預(yù)測客戶購買可能性的行業(yè)標(biāo)準(zhǔn)是RFM模型（最近一次消費(fèi)R,，消費(fèi)頻率F,，消費(fèi)金額M），但模型應(yīng)用有限,，本質(zhì)是一個試探性方案,，沒有統(tǒng)計(jì)和預(yù)測依據(jù)?！斑^去的成績不能保證未來的表現(xiàn)”,，RFM只關(guān)注過去，不去將客戶當(dāng)前行為和其他客戶當(dāng)前行為做對比,。這樣就無法在購買產(chǎn)品之前識別高價(jià)值客戶,。

我們聚焦的預(yù)測模型，就是為了在最短時間內(nèi)對客戶價(jià)值產(chǎn)生最大影響,。這里列舉一些其他模型參考：

• 參與傾向模型,，預(yù)測客戶參與一個品牌的可能性，參與定義可以多元,，比如參加一個活動,，打開電子郵件，點(diǎn)擊,，訪問某頁面,。可以通過模型來確定EDM的發(fā)送頻率,。并對趨勢做預(yù)測,，是增加還是減少活動。

• 錢包模型,，就是為每個客戶預(yù)測最大可能的支出,，定義為單個客戶購買產(chǎn)品的最大年度支出。然后看增長模型,，如果當(dāng)前的總目標(biāo)市場比較小,，但未來可能很大，就需要去發(fā)現(xiàn)這些市場,。

• 價(jià)格優(yōu)化模型,，就是能夠去最大限度提升銷售,，銷量或利潤的架構(gòu)，通過價(jià)格優(yōu)化模型為每個客戶來定價(jià),，這里需要對你想要的產(chǎn)品開發(fā)不同的模型,，或者開發(fā)通用，可預(yù)測的客戶價(jià)格敏感度的模型,，確定哪一塊報(bào)價(jià)時對客戶有最大的影響,。

• 關(guān)鍵字推薦模型。關(guān)鍵字推薦模型可以基于一個客戶網(wǎng)絡(luò)行為和購買記錄來預(yù)測對某個內(nèi)容的喜愛程度,，預(yù)測客戶對什么熱點(diǎn),，爆款感興趣，營銷者使用這種預(yù)測結(jié)果為特定客戶決定內(nèi)容營銷主題,。

• 預(yù)測聚集模型,。預(yù)測聚集模型就是預(yù)測客戶會歸為哪一類。

7,、目前對于預(yù)測性營銷技術(shù),，國際上有哪些技術(shù)創(chuàng)新和開發(fā)工具？目前的使用瓶頸和顧慮是什么,？

預(yù)測營銷技術(shù)以模型工具存在了很多年,，比如一些統(tǒng)計(jì)分析軟件 SAS，SPSS,，R,，還有像Netflix，Amazon,，F(xiàn)acebook,，Ebay,，電信領(lǐng)域Verizon,，ATT這些大公司，都有數(shù)據(jù)科學(xué)家團(tuán)隊(duì),，他們都在開發(fā)基于預(yù)測性的廣告和營銷系統(tǒng),。但這些工具都有一些重要的缺點(diǎn)，在你使用預(yù)測分析平臺之前,，首先要把業(yè)務(wù)需求翻譯成技術(shù)需求,，這樣數(shù)據(jù)科學(xué)家才能將其轉(zhuǎn)化為模型和查詢語句。

大多數(shù)市場營銷人員還是這方面能力不足,，沒有工程師和商業(yè)分析師的支持的話,，就要從頭做重復(fù)勞動，選擇適當(dāng)模型,，去解決商業(yè)問題,。而數(shù)據(jù)科學(xué)家往往也局限在某個行業(yè)內(nèi),，找到合適的人才非常難，也很難跨行業(yè)獲得經(jīng)驗(yàn),。 

在使用大數(shù)據(jù)平臺時,，往往要求在以下方面：整合數(shù)據(jù)，準(zhǔn)備數(shù)據(jù),，開發(fā),，測試，配置模型,，IT設(shè)施和數(shù)據(jù)架構(gòu)都需要持續(xù)配合,，才能最后幫助運(yùn)營者生成報(bào)告并準(zhǔn)備活動的名單。比如筆者當(dāng)時在LinkedIn的廣告部門,，我們的數(shù)據(jù)科學(xué)家建立了一套強(qiáng)大的分析算法去計(jì)算預(yù)估CTR,，預(yù)估bid price，預(yù)估受眾,，但一旦脫離了LinkedIn的網(wǎng)站,，廣告主也沒辦法重復(fù)分析和得到持續(xù)的預(yù)測評分，而每個公司重新搭建一套大數(shù)據(jù)平臺也是費(fèi)時費(fèi)力,。

另外在個人信息使用上要特別注意隱私問題,，顧客心理會有一些心理差異，比如客戶的電話,，郵箱注冊某品牌電商（Tiffany）后,，收到一些競爭對手如香奈兒不停給你發(fā)送廣告，你也許會很生氣,。根據(jù)消費(fèi)者報(bào)告,，有71%的人認(rèn)為，他們擔(dān)心電商在不經(jīng)過她們同意就出售或分享信息,，因?yàn)樵絹碓蕉嗟臓I銷者從使用第三方的信息記錄轉(zhuǎn)向使用第一方數(shù)據(jù)來進(jìn)行營銷,。

還有個“最后一公里”問題，比如說“我們拿到了網(wǎng)站注冊的大量信息,，也通過模型預(yù)測出來最有可能購買的客戶,，但作為運(yùn)營人員，我無法根據(jù)客戶分享給我的偏好和日期去發(fā)布一個Campaign（促銷）”,，就是說預(yù)測模型的輸出結(jié)果對于營銷人員來說很難使用—— 無法將日常的郵件,，廣告，門店和客戶互動等營銷活動結(jié)合起來,。

8,、機(jī)器學(xué)習(xí)技術(shù)在預(yù)測營銷領(lǐng)域是如何應(yīng)用，會有怎樣的發(fā)展,？

去年人工智能特別火,，特別是深度學(xué)習(xí)在機(jī)器視覺,，語言識別，游戲AI上的突飛猛進(jìn),，以至于人們開始恐慌人工智能是不是已經(jīng)可以接管人類工作,，我個人是對新技術(shù)有著強(qiáng)烈的興趣，也非?？春眯驴萍?，數(shù)據(jù)與現(xiàn)實(shí)的關(guān)聯(lián)。 

我以前在國外零售店買單的時候經(jīng)常被詢問“你有沒有購物卡”,，當(dāng)我說沒有收銀員會趕緊勸我免費(fèi)開通,，有打折優(yōu)惠，只需要填個手機(jī)號和郵箱,，后面就可以針對我的購買記錄做營銷活動,，而當(dāng)我下次進(jìn)來，他們就讓我報(bào)出電話號碼做消費(fèi)者識別,，當(dāng)時我想如果做到人臉識別,，豈不是更方便，刷臉就可以買單,。而這個場景在去年也有了實(shí)驗(yàn),，螞蟻金服研發(fā)出了一個生物識別機(jī)器人，叫螞可Mark,，據(jù)說其認(rèn)臉能力已經(jīng)超越了人類肉眼的能力,。還有VR購物，Amazon推出的無收銀員商店Amazon Go,，通過手勢識別,，物聯(lián)網(wǎng)和后續(xù)數(shù)據(jù)挖掘等技術(shù)實(shí)現(xiàn)購物體驗(yàn)。

針對營銷領(lǐng)域,，主要有以下三種預(yù)測營銷技術(shù),。 

1 無監(jiān)督的學(xué)習(xí)技術(shù)

無監(jiān)督學(xué)習(xí)技術(shù)能識別數(shù)據(jù)中的隱藏模式，也無須明確預(yù)測一種結(jié)果,。比如在一群客戶中發(fā)現(xiàn)興趣小組,，也許是滑雪,，也許是長跑,，一般是放在聚類算法，揭示數(shù)據(jù)集合中 真實(shí)的潛在客戶,。所謂聚類,，就是自動發(fā)現(xiàn)重要的客戶屬性，并據(jù)此做分類,。

2 有監(jiān)督的學(xué)習(xí)技術(shù)

通過案例訓(xùn)練機(jī)器,，學(xué)習(xí)并識別數(shù)據(jù),，得到目標(biāo)結(jié)果，這個一般是給定輸入數(shù)據(jù)情況下預(yù)測,，比如預(yù)測客戶生命周期價(jià)值,，客戶與品牌互動的可能性，未來購買的可能性,。 

3 強(qiáng)化學(xué)習(xí)技術(shù)

這種是利用數(shù)據(jù)中的潛質(zhì)模式,，精準(zhǔn)預(yù)測最佳的選擇結(jié)果，比如對某用戶做促銷應(yīng)該提供哪些產(chǎn)品,。這個跟監(jiān)督學(xué)習(xí)不同,，強(qiáng)化學(xué)習(xí)算法無須僅需輸入和輸出訓(xùn)練，學(xué)習(xí)過程通過試錯完成,。

從技術(shù)角度看,，推薦模型應(yīng)用了協(xié)同過濾，貝葉斯網(wǎng)絡(luò)等算法模型,。強(qiáng)化學(xué)習(xí)是被Google Brain團(tuán)隊(duì)的負(fù)責(zé)人Jeff Dean認(rèn)為是最有前途的AI研究方向之一,。最近Google的一個AI團(tuán)隊(duì)DeepMind發(fā)表了一篇名為《學(xué)會強(qiáng)化學(xué)習(xí)》的論文。按團(tuán)隊(duì)的話來說,，叫做“學(xué)會學(xué)習(xí)”的能力,，或者叫做能解決類似相關(guān)問題的歸納能力。除了強(qiáng)化學(xué)習(xí),，還在遷移學(xué)習(xí),。遷移學(xué)習(xí)就是把一個通用模型遷移到一個小數(shù)據(jù)上，使它個性化,，在新的領(lǐng)域也能產(chǎn)生效果,，類似于人的舉一反三、觸類旁通,。強(qiáng)化學(xué)習(xí)加上遷移學(xué)習(xí),，能夠把小數(shù)據(jù)也用起來，我認(rèn)為是很激動人心的,，通過AI來創(chuàng)造AI,，數(shù)據(jù)科學(xué)家的部分工作也可以讓機(jī)器來實(shí)現(xiàn)了。

『本文封面圖片來自：Yestone 邑石網(wǎng)正版圖庫』